互联网女皇Mary Meeker最新报告：当前以大模型为核心的AI是人类历史上前所未有的机会

在人工智能（AI）迅猛发展的当下，BOND资本公司于2025年5月30日发布了《Trends – Artificial Intelligence》报告，这份报告有340页的PPT，包含了全球AI趋势的深度洞察和分析。

BOND资本是一家总部位于旧金山的风险投资公司，由被誉为“互联网女皇”的玛丽·梅克（Mary Meeker）创立。梅克女士曾是华尔街著名的证券分析师，以其对互联网和新兴技术趋势的深刻洞察而闻名。她自1995年起每年发布《互联网趋势报告》，深入分析互联网、消费者行为和技术演变等方面的趋势，影响了众多投资者和企业的战略决策。

[TOC]

#### 过去几年，AI的发展速度超越了历史上任何一次技术革新
过去几年，人工智能（AI）的发展速度达到了令人震惊的程度，其变革的广度和深度甚至**<font color=red>超越了历史上任何一次技术革新</font>**。为了直观理解这一速度，我们对比了新一代AI应用与传统互联网巨头的成长轨迹。**以年度搜索量这一核心指标为例，ChatGPT达到3650亿年搜索量的门槛仅用了约2年时间，而互联网搜索巨头谷歌则花费了11年，前者速度是后者的5.5倍** (数据来源：Google公开披露, OpenAI 12/24, ChatGPT数据基于约10亿日均查询估算)。这一对比鲜明地揭示了AI技术在市场渗透和用户接纳方面的空前效率。

<center>![ChatGPT达到3650亿年搜索量vs谷歌](https://www.datalearner.com/resources/blog_images/ae45c030-8a30-4333-858e-341965e96c51.webp "ChatGPT达到3650亿年搜索量vs谷歌")</center>
<center></center>

ChatGPT的成功不仅仅体现在搜索类交互上，其用户增长、付费订阅转化和营收增长同样迅猛，为科技平台树立了新的标杆。
- 用户规模：自2022年10月公开发布以来，ChatGPT的周活跃用户数从0迅速攀升，预计到2025年4月将达到约8亿。
- 付费订阅：同期，付费订阅用户数预计将从0增长至2025年4月的约2000万。
- 营收表现：商业化进展同样迅速，预计到2024年，ChatGPT的年营收将达到约38亿美元，而其在2022年营收尚为0。

这种“现象级”的增长表明，AI驱动的应用正以前所未有的速度融入大众市场并实现商业价值。

#### AI发展的核心驱动力是算力、训练数据以及模型的指数级飞跃
支撑AI应用层爆发的，是底层技术要素的持续指数级增长。主要包括算力、训练数据、模型效率的指数级增长，也包括了成本的快速下降，根据Meeker的报告，过去几年，算力和训练数据的年均增长都是150%以上。接下来我们具体分析一下。

##### AI超级计算机性能的飙升，大模型训练算力指数级增长
领先AI超级计算机的16位浮点算力（FLOP/s）在2019-2025年的六年间实现了约150%的累计增长（提升至原始值的2.5倍）。过去几年，训练大模型的核心基础设施是GPU集群：2019年GPT-3训练集群算力为 $10^{18}$ FLOP/s，而2025年xAI的XAI Colossus集群算力已接近$10^{20}$ FLOP/s，绝对值跃升两个数量级！

<center>![2019-2025年AI训练算力的增长情况](https://www.datalearner.com/resources/blog_images/37ec932b-23c7-476c-a84c-3eb6e4cf1a3b.webp "2019-2025年AI训练算力的增长情况")</center>
<center></center>

这一增长由两大技术趋势驱动：
- 单个集群的芯片数量以年均1.6倍（≈60%）的速度扩张；
- 单芯片性能以年均1.6倍（≈60%）的速度提升。

两者的叠加效应推动整体算力年均增长率超过60%。

与此同时，从AI模型训练所需的总计算量角度来看，增长趋势更为惊人。如图所示，AI模型训练的计算需求在过去15年中保持了年均360%的指数级增长。从2010年的早期神经网络模型到2025年的最新大模型，训练计算量已经跨越了近10个数量级：

2012年AlexNet等早期深度学习模型的训练计算量约为$10^{18}$ FLOP
2017年Transformer架构的出现标志着一个转折点
2019年GPT-2将训练计算量推升至$10^{21}$ FLOP级别
2020-2022年间，GPT-3、GPT-4等模型将这一数字进一步推高到$10^{23}-10^{24}$ FLOP
预计2025年的前沿模型训练将达到$10^{26}$ FLOP的惊人规模

这意味着每隔约2-3年，AI模型的训练计算需求就会增长100倍。相比之下，虽然GPU集群的算力在同期实现了100倍的增长，但仍然需要通过延长训练时间、优化算法效率等方式来满足模型规模爆炸式增长的计算需求。这种计算需求与算力供给之间的"剪刀差"正在成为AI发展的关键瓶颈之一。

##### 训练数据集规模的持续扩大
与算力并行，训练AI模型所用的数据量（以词数衡量）同样经历了年均约260%的增长（近十余年趋势）。

<center>![过去十年AI模型的训练数据量增长了5个数量级](https://www.datalearner.com/resources/blog_images/1aa6fc8a-1f8b-4f3f-91c3-f3fc5f5ab863.webp "过去十年AI模型的训练数据量增长了5个数量级")</center>
<center></center>

<center>![过去十年AI模型的训练数据量增长了5个数量级](https://www.datalearner.com/resources/blog_images/a015c35c-c6bf-4d3b-9b3c-c57d4d160a5e.webp "过去十年AI模型的训练数据量增长了5个数量级")</center>
<center></center>

例如，在2010年前后，先进模型的训练数据量尚在$10^8$（一亿）单词级别，而到2025年，顶尖模型如Aramco MetaBrain AI已使用接近$10^{13}$（十万亿）单词的数据集，绝对值跃升了惊人的五个数量级！

强大AI模型的涌现：
新发布的大规模AI模型（训练算力超过10^23 FLOP\*）数量正以年均167%的速度增长（近四年数据）。
预计到2024年，年新增大型AI模型数量将达到约100个，远超2017年的2个。这包括来自xAI、Anthropic、Meta、NVIDIA、Mistral等众多机构的贡献。（数据来源：Epoch AI, 截至4/25）

\*注：“大规模AI模型”通常指训练算力达到或超过10^23 FLOPs的模型。

AI算法的改进使得“有效算力”大幅提升，即用更少的原始算力达成同等甚至更好的性能。
算法进步带来的有效算力年均增长率高达约200%。
以2014年LSTM为基准1，到2022年的Chinchilla模型，仅算法进步就带来了约220万倍的有效算力提升。（数据来源：Epoch AI, 截至3/24）

训练AI模型的算力投入激增：
用于训练顶尖AI模型的算力（FLOPs）投入，在过去十余年间（约2010-2025年）以年均约360%的速度增长。
从1950年代的约10^2 FLOPs，到预计2024/25年Grok 3的约10^26 FLOPs，增长幅度跨越数十个数量级。（数据来源：Epoch AI, 截至5/25）

这些核心要素的协同、指数级增长，共同构成了AI技术进步的强大引擎。
三、AI的时代定位：新计算范式与经济增长新引擎
从更宏观的视角看，AI的崛起标志着一个新的计算时代的到来，并预示着对全球经济的深远影响。
AI时代——计算的新纪元：
回顾计算发展史，从大型机（~1MM+单位）到个人电脑（~300MM+单位），再到移动互联网（~4B+单位），每一次范式转换都伴随着设备/用户数量的量级提升。
“AI时代”预计将涉及数百亿量级的AI设备/单元，远超以往任何时代。其基础设施也从CPU主导，演进到大数据/云计算，再到当前以GPU为核心的AI计算。（数据来源：Morgan Stanley, 截至10/23）
技术进步驱动经济的长期复利：
纵观千年历史，技术进步（如印刷术、蒸汽机、电力、互联网）始终是全球GDP增长的核心驱动力，通过“更好、更快、更便宜”的解决方案实现复利效应。
全球GDP从1800年前的不足1万亿美元，增长到20世纪初的约5万亿美元，再到21世纪初接近100万亿美元。AI正被视为驱动下一轮全球经济增长的关键技术拐点。（数据来源：Maddison Project, Our World in Data）

根据NVIDIA公开数据，从2005年几乎为零的基数起，开发者数量在2018年达到约100万，此后出现显著加速增长。到2025年，预计将达到600万开发者，实现了**7年内增长6倍（+6x）**的显著跃升。

而谷歌Gemini生态的开发者数量增长也很快，且规模庞大。2024年5月到2025年5月间，使用Gemini构建应用的全球开发者数量已超过700万，较前一年增长5倍。

可能有用户会疑惑，为什么 Google 能在短短一年内就吸引到 700 万开发者。其实从二者的生态差异中，我们也可以猜测原因：NVIDIA 的开发者生态以 CUDA、GPU 编程和模型训练为核心，更多面向专业的 AI 研究者和工程开发者，门槛高，偏向底层。而 Google 的 Gemini 平台则定位于云端大模型服务，通过 API、插件、SDK 等形式提供给 Web、移动和办公场景开发者，入门门槛更低、接入路径更多元。

互联网女皇Mary Meeker最新报告：当前以大模型为核心的AI是人类历史上前所未有的机会

欢迎大家关注DataLearner官方微信，接受最新的AI技术推送

相关博客

最热博客